臺北市各行政區家戶所得、支出與房價：探索分析篇
郭耀仁
2018-01-09
載入資料
資料連結
將資料載入
head(hh)## year district hh labor_hh income_hh expense_hh_1 expense_hh_2
## 1 101 松山區 79229 1.35 1728993 363052 1061992
## 2 101 信義區 87400 1.50 1643281 301331 982926
## 3 101 大安區 118421 1.21 1818332 340185 1113472
## 4 101 中山區 94852 1.37 1528923 287170 965483
## 5 101 中正區 63449 1.14 1611679 274992 987505
## 6 101 大同區 49201 1.47 1373177 269219 891867head(district_house_price_df)## year quarter road_1 road_2 road_width place_type
## 1 101 三 延平北路2段 延平北路2段1號至100號 16 臨街地
## 2 101 三 承德路3段 承德路3段101號至200號 40 路角地
## 3 101 三 承德路3段 承德路3段101號至200號 40 路角地
## 4 101 三 承德路3段 承德路3段101號至200號 40 路角地
## 5 101 三 承德路3段 承德路3段101號至200號 40 臨街地
## 6 101 三 承德路3段 承德路3段208巷1號至100號 11 臨街地
## building_type structure construction_year floor_1 floor_2
## 1 住宅大樓 鋼筋混凝土造 9809 15 15
## 2 住宅大樓 鋼筋混凝土造 9608 4 12
## 3 住宅大樓 鋼筋混凝土造 9608 3 12
## 4 住宅大樓 鋼筋混凝土造 9608 6 12
## 5 公寓 鋼筋混凝土造 6111 3 4
## 6 住宅大樓 鋼筋混凝土造 9605 5 11
## location_type area_transfer house_transfer ttl_price price_per district
## 1 商業區 2.65 24.38 2120 86.96 大同區
## 2 商業區 1.17 12.63 638 50.51 大同區
## 3 商業區 1.17 12.63 620 49.09 大同區
## 4 商業區 1.98 21.88 988 45.16 大同區
## 5 商業區 12.55 37.50 1760 46.93 大同區
## 6 商業區 2.06 13.40 696 51.94 大同區家戶所得資料
平均所得排行
## # A tibble: 12 x 2
## district avg_income
## <chr> <dbl>
## 1 大安區 1881940
## 2 松山區 1718988
## 3 信義區 1639282
## 4 中正區 1636537
## 5 內湖區 1614290
## 6 士林區 1582343
## 7 北投區 1491120
## 8 文山區 1488390
## 9 中山區 1468947
## 10 大同區 1377881
## 11 南港區 1358127
## 12 萬華區 1284336平均可支配所得排行
## # A tibble: 12 x 2
## district avg_disposable_income
## <chr> <dbl>
## 1 大安區 368929.8
## 2 中正區 342180.8
## 3 信義區 328257.2
## 4 松山區 315839.4
## 5 士林區 284198.2
## 6 內湖區 281973.8
## 7 北投區 281149.6
## 8 中山區 264363.2
## 9 南港區 262260.2
## 10 萬華區 252392.6
## 11 大同區 249795.2
## 12 文山區 247346.2可支配所得的變化趨勢用多個線圖顯示
可支配所得變化趨勢用一個線圖顯示
（補充）使用 shiny 為上圖增加一個 checkbox 讓使用者選擇行政區
library(shiny)
ui <- fluidPage(
titlePanel("行政區家戶所得變動趨勢"),
sidebarPanel(
checkboxGroupInput("districts", "Choose districts:",
choiceNames = unique(disposable_income$district),
choiceValues = unique(disposable_income$district),
selected = list("大同區")
)
),
mainPanel(
plotlyOutput("trendPlot")
)
)
server <- function(input, output) {
filtered_df <- reactive(
disposable_income %>%
filter(district %in% input$districts)
)
a <- list(
showticklabels = TRUE,
dtick = 1,
title = ""
)
output$trendPlot <- renderPlotly({
filtered_df() %>%
plot_ly(x = ~western_year, y = ~disposable_income, type = 'scatter', mode = 'lines', color = ~district) %>%
layout(xaxis = a)
})
}
shinyApp(ui, server)房價資料
平均每坪單價排行
## # A tibble: 12 x 2
## district avg_price_per
## <chr> <dbl>
## 1 大安區 82.16021
## 2 信義區 69.03309
## 3 中正區 66.33535
## 4 松山區 65.89661
## 5 中山區 52.17915
## 6 士林區 47.86554
## 7 大同區 47.42488
## 8 南港區 47.31355
## 9 內湖區 44.75836
## 10 文山區 39.87396
## 11 萬華區 38.08835
## 12 北投區 37.64281整併資料
2012 年各行政區的家戶可支配所得與平均每坪單價散佈圖
請在上圖中加入圓點大小來表示行政區的戶數（hh）
利用 ggplotly() 將上圖轉換為具有 plotly 效果的氣泡圖
Let’s talk about something else
This is just a opening for you, DO NOT feel frustrated or even hate it
Neither of us could tell you the RIGHT career path
That’s why internship and junior position matters
To learn programming DOES NOT mean you have to be a programmer
These skills might help you balancing life/work
Never stop learning
A bit of my early days…
